您好，非常感谢您的分享。我试图使用该方法筛选一个音频数据集中的中文内容，音频来自于自然场景，可能包含仅有环境声的片段。注意到您强调“传入的音频数据必须以话语为启点”，不知道该如何理解，请问是音频中不能包含背景声和空白阶段，只能包含语音吗？
您好，非常感谢您的分享。我试图使用该方法筛选一个音频数据集中的中文内容，音频来自于自然场景，可能包含仅有环境声的片段。注意到您强调“传入的音频数据必须以话语为启点”，不知道该如何理解，请问是音频中不能包含背景声和空白阶段，只能包含语音吗？